Прибуток:
- Здатність узагальнювати такі дані, як відсутність, академічне та поведінкове спостереження з підтримкою штучного інтелекту та готувати подальшу таблицю та записи спостережень
- Можливість писати підказки, які залишають рішення експерту, створюючи підсумки, які полегшують виявлення закономірностей для раннього попередження
- Розуміння того, що штучний інтелект зводить студента до ризику та небезпеки упередженості, і здатність бачити, що раннє попередження завжди має поєднуватися з експертним спостереженням та інтерв’ю.
Однією з важливих завдань фахівця з PDR є спостереження за студентами протягом тривалого часу: моделі відвідування, академічний прогрес, спостереження за поведінкою, соціальні стосунки, історія співбесід. Цей моніторинг спрямований на раннє розпізнавання, коли студент може потребувати підтримки; Це називається раннім попередженням. Раннє попередження означає активацію підтримки на основі спостережуваних ознак (раптове збільшення кількості прогулів, зниження оцінок, відмова) до того, як проблема загостриться. Але це поле може бути як дуже корисним, так і дуже небезпечним: при правильному використанні воно дозволяє вчасно дістатися до учня; Якщо його використовувати неправильно, він захоплює учня «ярликом ризику».
У цьому розділі ми навчимося використовувати штучний інтелект як допоміжний засіб, який узагальнює розрізнені дані відстеження та робить візерунок видимим. Найважливіший принцип: штучний інтелект може вказати на закономірність, але він не може оцінити учня чи оголосити його чи її «групою ризику». Раннє попередження завжди поєднується зі спостереженням спеціаліста та бесідою зі студентом; Остаточна оцінка та рішення залишається за експертом. Згадаймо також кризову межу: якщо подальші дані вказують на серйозний ризик (наприклад, ситуація студента вказує на безпосередню небезпеку), це кризова ситуація, і в дію вступає протокол у блоці 9; Не ШІ.
Тонка межа між баченням шаблонів і маркуванням їх
Відстеження самих даних не має сенсу; контекст надає значення. Тритижневе збільшення кількості прогулів; Це може бути пов’язано з хворобою, сімейною ситуацією або труднощами в школі. AI може зробити це збільшення видимим у таблиці або підсумку («прогули значно зросли за останні три тижні»); це корисна підказка, яка привертає увагу професіонала до цього студента. Небезпека полягає в тому, що штучний інтелект (або експерт, заснований на штучному інтелекті) перейде від цього сигналу до висновку: «цей студент знаходиться в групі ризику/проблемі/нехтуванні». Цей стрибок може бути як неправильним, так і клеймити учня.
Правило: ШІ сигналізує, експерт конструює значення. Резюме — це обґрунтування початку розмови, а не висновок. Жоден знак не стає оцінкою без розмови з учнем.
Ще одна тонкість полягає в тому, щоб бути обережним при поєднанні джерел даних. Відвідуваність, тенденція оцінки та моніторинг поведінки є індивідуально значущими, але те, що штучний інтелект об’єднує їх як єдиний «оцінка ризику», вводить в оману. Прогули учня могли збільшитися через те, що він чи вона мають хронічні захворювання; Це не є ознакою академічної неуспішності. Втиснення різних типів даних в одне число затьмарює реальність учня та створює хибне визначення пріоритетів. Правильний підхід полягає в тому, щоб розглядати кожен тип даних як окремий «знак» і залишати все на інтерпретацію експерта. AI може порівнювати дані; але це не повинно виконувати роботу по зварюванню їх в одне судження. Подібним чином, «як довго» триває ознака, також важливо: однотижневе коливання та тренд, що триває три місяці, мають дуже різні значення, і знову експерт повинен прочитати цей часовий вимір.
Застереження: роздруківка, яка вказує учня як групу ризику, може надовго вплинути на сприйняття дитини в школі. Щоб запобігти потраплянню таких етикеток в обіг, роздруківки ранніх попереджень повинні бути конфіденційними та використовуватися лише для допоміжних цілей та під наглядом експерта.
Упередженість: має значення, хто вважається «ризиком».
Упередженість раннього попередження є серйозною проблемою правосуддя. Якщо система (або інструкція з штучного інтелекту) непропорційно позначає студентів із певної соціально-економічної групи, певного району чи певних моделей поведінки як «групу ризику», це інституціоналізує упередження. Експерт повинен розрізняти, які ознаки дійсно вказують на підтримку, а які просто вказують на шаблон; До кожного учня потрібно підходити індивідуально і справедливо. Мова «ризику», створена ШІ, не повинна сприйматися без сумнівів.
Крок за кроком: від даних до підтримки
- Збирайте дані анонімно. Упорядковуйте такі дані, як відвідуваність, спостереження та прогрес у оцінці, за допомогою «Студент A/B/C» замість ідентифікаційних кодів.
- Резюмуючи з АІ. Узагальніть закономірність і помітні зміни на рівні явища.
- Виберіть знаки. Експерт вирішує, які тези заслуговують на співбесіду.
- Думка. Поговоріть із сигналізованим учнем; вивчити контекст.
- Оцініть і сплануйте. Експерт встановлює сенс і підтримку.
- Тримайте темно. Обмін результатами за межами цілей підтримки; Не поширюйте етикетку.
Шаблони, які можна копіювати
1) Підсумок даних відстеження:
Ваша роль: асистент редагування даних PDR. ДОДАТИ СУДЖЕННЯ, позначку «ризику» або рекомендацію. Завдання: узагальніть наступні анонімні дані про відсутність/спостереження на рівні ФАКТ за учнем; Вкажіть будь-які помітні ЗМІНИ (збільшення/зменшення). Оцінка та рішення належать мені; ви просто робите шаблон видимим. Дані: [вставити анонімні дані]
2) Перелік причин для зустрічі:
З наведених нижче анонімних підсумків перелічіть факти, які можуть стати підставою для початку РОЗМОВИ ПІДТРИМКИ. Напишіть одне речення НЕЙТРАЛЬНОЇ причини для кожного (наприклад, «прогули зросли за останні три тижні»). Не використовуйте мітки на кшталт «ризикований/проблемний». Резюме: [анонімні резюме]
3) Редагування таблиці відстеження:
Упорядкуйте наступні анонімні подальші нотатки в таблицю зі стовпцями для дати, спостережуваного явища, запланованого кроку та результату. Не додавайте коментарів, зберігайте факти. Примітки: [анонімні примітки]
4) Підготовка до співбесіди:
Ваша роль: асистент ПДР. Готуюся до ПІДТРИМКОВОЇ зустрічі з 14-річним учнем, відвідуваність якого зросла. Запропонуйте 8 підготовчих запитань, які не є засуджувальними, відкритими та не змушують учня захищатися.
Слабка підказка / Сильна підказка
Слабкий:
Перегляньте список пропусків цього класу, відзначте учнів групи ризику.
Це робить штучний інтелект суддею, просить його створити «ризикований» ярлик, без контексту та без розмови.
Сильний:
Ваша роль: помічник із редагування даних PDR, додавання позначки «ризик». У наведених нижче анонімних даних про відсутність узагальніть (на рівні явища) студентів, які показали ЗНАЧНІ ЗМІНИ за останні 3 тижні. Для кожного просто напишіть, що змінилося; Я зроблю коментар і рішення. Дані: [анонімні дані]
Він сигналізує, він не маркує; Рішення в руках експерта.
три міні-чохла
Випадок 1 — корисний знак. Спеціалісту було важко відстежити окремі пропуски в класі з 200 учнів. Він мав анонімні дані, узагальнені ШІ; Виділявся учень, який зазвичай залишався непоміченим, який демонстрував тихе, але постійне збільшення прогулів. Виступив експерт; Він дізнався, що вранці у студента проблеми з транспортом, і знайшов практичне рішення. ШІ дав знак, експерт і студент побудували рішення.
Випадок 2 — Повернення з етикетки. В одному резюме AI описав одного студента як «високий ризик поведінки»; тоді як у даних експерта був лише феномен «прохання змінити клас двічі». Експерт відхилив цей ярлик, поспілкувався зі студентом і виявив, що запит випливає з бажання дистанціюватися від групи друзів. Ярлик може несправедливо стигматизувати дитину; експертний фільтр запобіг цьому.
Випадок 3 — Перевірка зміщення. Експерт помітив, що список «ризику», створений штучним інтелектом, непропорційно включав студентів з певного району. Він не використовував список, вважаючи, що це може відображати упередженість; замість цього він застосовував справедливі, засновані на фактах критерії до всіх студентів. Таким чином, підтримка розподілялася відповідно до реальних потреб, а не стигми.
Поширені помилки
- Зробити позначку ШІ «ризиковано». Перетворення судової влади на інструмент. Рішення: ШІ показує явище/зміну, експерт робить судження.
- Оцінка без співбесіди. Не просто переглядати дані та спілкуватися зі студентом. Рішення: кожен знак отримує контекст через розмову.
- Ігнорування упередженості. Прийняття списку «ризиків» на основі шаблонів. Рішення: контроль справедливості та індивідуальності.
- Розповсюдження етикетки. Поширення списку «ризикованих студентів». Рішення: конфіденційність і обмеження цілей підтримки.
- Плутаючи це з кризою. Розглядати ознаки серйозного ризику як звичайний моніторинг. Рішення: протокол кризи (блок 9) активований.
Таблиця: Знак чи судження?
вихід
Тип
що робити
«За останні 3 тижні кількість прогулів зросла»
Ознака (явище)
Причина зустрічі
«Цей студент ризикований»
Судове рішення (мітка)
Відкинути, повернутися до реальності
«Два семестри падають оцінки»
Ознака (явище)
Причина зустрічі
"Його сім'я нехтує ним"
судження/висновок
Відмовитися, повернутися до спостереження
«Зменшилася частота зустрічей»
Ознака (явище)
Експерт оцінює
Підсумовуючи
У відстеженні студентів ШІ є корисним помічником, який узагальнює розрізнені дані та робить видимими шаблони; Але воно не може оцінити учня чи оголосити його «групою ризику». ШІ подає сигнали, експерт конструює значення. Контекстуалізуйте кожну ознаку за допомогою розмови, перевіряйте упередженість, поширюйте ярлики та переходьте до кризового протоколу при ознаках серйозного ризику. Метою раннього попередження є не стигматизація, а надання своєчасної та справедливої підтримки.
Аплікаційне завдання
Створіть анонімні дані відвідуваності/спостереження для вигаданого класу. Нехай штучний інтелект підсумовує на рівні фактів за допомогою шаблону «зведення даних відстеження». Перевірте результат: чи додав штучний інтелект будь-які мітки або оцінки «ризик/проблема»? Позначте, видаліть і створіть нейтральний список причин для обговорення, який базується лише на фактах. Потім поставте упереджене запитання: чи складається список за певною схемою?
контрольний список
- [ ] Я анонімізував дані перед тим, як надати їх інструменту.
- [ ] Я написав обмеження «додати мітку ризику/судження» до підказки.
- [ ] Я зберіг вихідні дані штучного інтелекту на рівні фактів/знаків, зробивши судження самостійно.
- [ ] Я контекстуалізував кожен знак за допомогою інтерв’ю.
- [ ] Я перевірив упередженість і залишив мітки приватними.